作為一類慢性中樞神經(jīng)疾病，阿茲海默病越來越嚴重地影響了現(xiàn)代社會。2015年，全世界約有3000多萬人被診斷患有這種疾病。因為需要花費巨大人力物力來妥善護理病人，它也給世界各地的衛(wèi)生保健系統(tǒng)帶來了很大的經(jīng)濟負擔。雖然目前沒有已知的方法在晚期病例階段中制止該疾病的惡化，但有證據(jù)表明，如果早期發(fā)現(xiàn)，相應治療有望使疾病進展獲得減慢或停止。所以，如何找到一種可靠的方法來提早發(fā)現(xiàn)那些有可能具備疾病風險的潛在病人，逐步成為醫(yī)學研究和臨床護理的重要目標。

　　近日，韓國高科技科學院(Korea Advanced Institute of Science and Technology)和Cheonan公共衛(wèi)生中心的科學家們通過深度學習(deep learning)開發(fā)出一項技術， 能以超過84%的準確度識別未來三年可能發(fā)展成為阿茲海默病的潛在病人。

　　隨著年齡的增長，認知衰退是不可避免的。我們往往變得更加健忘，更頻繁地中斷思路，或更難做出決定、完成任務。醫(yī)生稱這種情況為輕度認知障礙，并且會隨著年齡增長影響大多數(shù)人群。更嚴重的情形下，許多輕度認知障礙患者會繼續(xù)發(fā)展成為阿茲海默病：他們失去了詞匯語言能力，或語無倫次;他們開始非常健忘，甚至不再認識親人;失去基本的自我照顧技能，最終完全依賴于照顧者。大多數(shù)病人在獲診斷后幾年時間內因病去世。但值得注意的是，并非所有輕度認知障礙患者都遵循這條道路：有些人不會惡化，甚至有些改善。所以醫(yī)生會非常熱衷于能夠發(fā)現(xiàn)可能發(fā)展成為阿茲海默病的潛在人群，因為他們最有可能受益于早期干預治療。

　　一般來說，其中一種方法是研究大腦的正電子發(fā)射斷層掃描(PET)掃描圖片。眾多醫(yī)學研究顯示，阿茲海默病患者的大腦部位大量產(chǎn)生一種被稱為淀粉樣蛋白斑塊的特征性蛋白質團塊，它能負面影響大腦使用葡萄糖的能力，于是顯著降低腦代謝速率。利用這一原理，某些類型的PET掃描可以顯示出上述兩種情況的大腦跡象，因此可以被用于發(fā)現(xiàn)最有可能發(fā)展成為阿茲海默病的輕度認知障礙患者。

　　遺憾的是，這一理論在操作中難以得到適當實踐：認讀解釋PET圖像很不容易。研究人員通過長期培訓可以尋找一兩個大的生物學標記，但是這種方法不僅耗時且容易出錯。韓國科學家Hongyoon Choi博士和Kyong Hwan Jin博士開發(fā)了深度學習的神經(jīng)網(wǎng)絡，期望這一過程可替代人類的觀察活動。

　　他們的方法很簡單。近年來，世界各地的阿茲海默病研究人員一直在建立一個健康人群與阿爾茨海默病患者腦圖像的數(shù)據(jù)庫。Hongyoon Choi博士和Kyong Hwan Jin博士使用這個數(shù)據(jù)庫來訓練卷積神經(jīng)網(wǎng)絡，并且在此基礎之上識別它們之間的區(qū)別。該數(shù)據(jù)集由182位70多歲的健康人大腦圖像和139位相似年齡的確診阿茲海默病患者大腦圖像組成。通過培訓，該機器軟件系統(tǒng)很快就學會了識別差異，精確度幾乎達到了百分之九十。接下來，Hongyoon Choi博士和Kyong Hwan Jin博士使用他們的機器來分析不同的數(shù)據(jù)集。這里面包括了181位70多歲輕度認知障礙患者的腦部圖像，其中79人在三年內繼續(xù)發(fā)展為阿茲海默病——顯然機器學習的任務是發(fā)現(xiàn)這些易患疾病的個體。

　　這一機器深度學習的結果是非常鼓舞人心的：軟件系統(tǒng)識別輕度認知障礙患者患者轉化成為阿茲海默病的預測精度高達84.2%，優(yōu)于常規(guī)基于特征的人為量化方法(p<0.05)，顯示出了深度學習技術使用腦圖像預測疾病預后的可行性。